형태기반 보간법과 양자화 기법을 이용한 CT 영상에서의 간 영역과 간암 추출 및 분석 Detection and Analysis of the Liver Region and Hepatoma in CT Images Using Shape-based Interpolation and Quantization Method원문보기
암은 한국에서 전체 사망률의 가장 많은 원인 중의 하나이며 이 중 간세포 암은 암에 의한 사망원인 중에서 성별에 관계없이 위암 다음으로 사망률이 높다. 특히 $40{\sim}60$세까지 중장년 기에서의 간암 발생률은 세계에서 가장 높으며, OECD 국가 중에서 간암 사망률은 최고 수치를 기록하고 있다. 본 논문에서는 조영증강 CT 영상에서 간암을 자동으로 추출하는 방법을 제안하여 전문의를 보조할 수 있는 보조 전문가 시스템으로서의 유용성을 확인하고자 한다. 흉부의 상위 부분부터 5mm 간격으로 연속적으로 촬영한 약 $40{\sim}50$장의 조영 증강 CT 영상에서 늑골의 정보를 이용하여 장기들의 정보만으로 구성된 내부 영역과 늑골 및 피하지방층, 그리고 배경으로 구성된 외부 영역을 구분한다. 간 영역의 정보가 포함된 내부영역에서 명암도와 명암의 분포도, 간의 형태 및 위치 정보, 그리고 각 슬라이드를 기준으로 이전 CT 영상과 다음 CT 영상의 정보를 이용하여 간 영역을 추출한다. 간암은 추출된 간 영역에 형태기반 보간법을 적용하여 CT 촬영에서 생기는 슬라이드 사이의 5mm 공간정보를 복원한 후, 각 슬라이드를 기준으로 이전 CT 영상과 다음 CT 영상의 정보와 간암이 가지는 명암도 및 형태학적 특징 정보를 이용하여 추출한다. 제안된 간 및 간암 영역 추출 방법을 전문의가 판별한 것과 비교 분석한 결과, 전문의를 보조할 수 있는 보조 전문가 시스템으로서 효율적임을 확인할 수 있었다.
암은 한국에서 전체 사망률의 가장 많은 원인 중의 하나이며 이 중 간세포 암은 암에 의한 사망원인 중에서 성별에 관계없이 위암 다음으로 사망률이 높다. 특히 $40{\sim}60$세까지 중장년 기에서의 간암 발생률은 세계에서 가장 높으며, OECD 국가 중에서 간암 사망률은 최고 수치를 기록하고 있다. 본 논문에서는 조영증강 CT 영상에서 간암을 자동으로 추출하는 방법을 제안하여 전문의를 보조할 수 있는 보조 전문가 시스템으로서의 유용성을 확인하고자 한다. 흉부의 상위 부분부터 5mm 간격으로 연속적으로 촬영한 약 $40{\sim}50$장의 조영 증강 CT 영상에서 늑골의 정보를 이용하여 장기들의 정보만으로 구성된 내부 영역과 늑골 및 피하지방층, 그리고 배경으로 구성된 외부 영역을 구분한다. 간 영역의 정보가 포함된 내부영역에서 명암도와 명암의 분포도, 간의 형태 및 위치 정보, 그리고 각 슬라이드를 기준으로 이전 CT 영상과 다음 CT 영상의 정보를 이용하여 간 영역을 추출한다. 간암은 추출된 간 영역에 형태기반 보간법을 적용하여 CT 촬영에서 생기는 슬라이드 사이의 5mm 공간정보를 복원한 후, 각 슬라이드를 기준으로 이전 CT 영상과 다음 CT 영상의 정보와 간암이 가지는 명암도 및 형태학적 특징 정보를 이용하여 추출한다. 제안된 간 및 간암 영역 추출 방법을 전문의가 판별한 것과 비교 분석한 결과, 전문의를 보조할 수 있는 보조 전문가 시스템으로서 효율적임을 확인할 수 있었다.
In Korea, undoubtedly, the cancer is one of the most common reasons of death, and hepatoma is the second highest fatal cancer regardless of the gender only next to the stomach cancer In the middle and prime-aged between 40 and 60 years, the incidence of hepatoma is the highest in the world, and the ...
In Korea, undoubtedly, the cancer is one of the most common reasons of death, and hepatoma is the second highest fatal cancer regardless of the gender only next to the stomach cancer In the middle and prime-aged between 40 and 60 years, the incidence of hepatoma is the highest in the world, and the death rate due to hepatoma is the highest among OECD countries. In this paper, we propose a novel method for automatic identification of hepatoma from a contrast enhanced CT images, which is used in an expert system that helps medical specialists. First, consecutive $40{\sim}50$ contrail enhanced CT images are photographed by every 5mm from the upper part of the chest, and using position information on the rib, we classify the internal area including only internal organs and the external one that consists of the rib, subcutaneous fat layers, and the background from the CT images. Then, the region of the liver is extracted from the classified internal area by using information on the intensity, the distribution of brightness, and using the regions extracted from consecutive images, we restore information on the 5 mm space occurred between the consecutive two slides tty applying a shape-based interpolation method. Lastly, using the characteristics such as the brightness and the morphology, we are able to extract the regions of hepatoma. The expert system based on our method is sufficiently competitive when it is compared with the diagnoses by specialists in the diagnostic radiology.
In Korea, undoubtedly, the cancer is one of the most common reasons of death, and hepatoma is the second highest fatal cancer regardless of the gender only next to the stomach cancer In the middle and prime-aged between 40 and 60 years, the incidence of hepatoma is the highest in the world, and the death rate due to hepatoma is the highest among OECD countries. In this paper, we propose a novel method for automatic identification of hepatoma from a contrast enhanced CT images, which is used in an expert system that helps medical specialists. First, consecutive $40{\sim}50$ contrail enhanced CT images are photographed by every 5mm from the upper part of the chest, and using position information on the rib, we classify the internal area including only internal organs and the external one that consists of the rib, subcutaneous fat layers, and the background from the CT images. Then, the region of the liver is extracted from the classified internal area by using information on the intensity, the distribution of brightness, and using the regions extracted from consecutive images, we restore information on the 5 mm space occurred between the consecutive two slides tty applying a shape-based interpolation method. Lastly, using the characteristics such as the brightness and the morphology, we are able to extract the regions of hepatoma. The expert system based on our method is sufficiently competitive when it is compared with the diagnoses by specialists in the diagnostic radiology.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 의학영상처리 분야는 초음파, CT, MRI 등의 영상 의학적 검사로 인해 획득된 영상을 분석하여 육안으로 분석하기 힘든 간암의 형태 및 크기 등의 정보를 시술 전에 제공함으로서 전문의를 보조할 수 있는 분야로 중요성이 확대되고 있다. 본 논문에서는 CT 촬영으로 획득된 조영증강 CT 영상에서 간 영역 및 간 종양을 추출할 수 있는 방법을 제안한다.
본 논문에서는 간암 시술의 전문의를 보조하기 위한 보조전문가 시스템으로서 간 영역과 간 종양을 자동으로 추출하는 방법을 제안하였다. 제안된 방법은 단층 촬영한 조영증강 CT 영상에서 우선적으로 간 영역을 추출하였고 추출한 간 내부에서 과혈관성 종양의 특징을 분석하여 간 종양을 추출하였다.
가설 설정
1. 추출하고자 하는 주 책체의 윤곽선은 다른 영역과 연결되는 부분 없이 원형에 가까운 곡선을 가진다.
2. 주 객체에서 분리하여 제거해야 하는 기생 객체들은 한 픽셀 이상 L 픽셀 이하의 영역으로 연결되어. 있다.
제안 방법
256 레벨의 그레이 정보로 구성된 조영증강 CT 영상을 10개의 서로 다른 컬러 색상으로 분류하고, 유사한 명암도를 나타내는 영역들을 그룹화 한다. CT 영상의 내부 영역은 간 영역 이외에 심장과 신장, 대정맥이 존재하는데 이들 영역은 간암과 유사한 명암도를 가지며 간 영역에 인접해 있기 때문에 간암으로 추출되는 오류가 발생한다.
CT 영상에서 늑골 영역을 추출하기 위해 늑골과 유사한 명암도를 가지는 대정맥과 심장의 영역을 제거하여 내부 후보 영역을 추출한다. 심장은 늑골과 대정맥보다 영역 반경 크기가 크다는 정보를 이용하여 반복 이진화를 수행한 CT 영상에서 Erosion 연산으로 심장의 위치를 구분하고 Dilation 연산으로 크기를 복원한 후에 추출한다.
간 영역 내에서 간 보다 상위 그룹의 양자화 색상을 가지는 영역들을 후보 영역으로 설정하고 부피와 원형도를 이용하여 과혈관성 종양의 대표 영역을 설정한 후, 인접 슬라이드에서 대표 영역과 유사한 위치에 존재하는 후보 영역들을 과혈관성 종양으로 판별하여 추출한다. 부피는 해당 영역의 픽셀 수로 나타내며 원형도는 식 (1)을 이용하여 계산한다.
제안된 방법은 단층 촬영한 조영증강 CT 영상에서 우선적으로 간 영역을 추출하였고 추출한 간 내부에서 과혈관성 종양의 특징을 분석하여 간 종양을 추출하였다. 간 영역 추출은 조영증강 CT 영상에서 인체 내부 장기들로 구성된 내부 영역과 배경 및 피하지방층으로 구성된 외부 영역을 구분할 수 있는 늑골 정보를 이용하여 영역을 구분하였다. 구분된 영역 중에 간이 존재하는 내부 영역을 대상으로 각 장기들의 명암도와 형태학적 특징 정보를 이용하여 영역들을 분할하였다.
이용하여 내부 영역에서 간 영역을 추출한다. 간 종양은 추출된 간 영역에 형태 기반 보간법을 적용하여 CT 촬영 시 각 슬라이드 마다 생기는 5mm 간격 정보를 복원하고 간 영역 추출과 마찬가지로 명암도 및 간 종양의 형태와 위치, 각 슬라이드 사이의 관계 정보를 분석하여 추출한다.
제거 한다. 간의 위치와 형태 정보를 이용하여 간 영역을 대표하는 그룹을 설정하고 전체 영상에서 간이 처음으로 나타나는 영상을 탐색한 후, 첫 번째 간 영역을 추출한다.
분할한 영역들은 인접한 슬라이드의 정보를 이용하여 간 후보 영역을 설정하고, 간 후보영역과의 포함 정도를 판별하여 영역 확장 과정을 거쳐 간 영역으로 추출하였다. 과혈관성 종양은 실질 간 영역보다 높은 명암도를 가지며 팽창형 성장을 보일 경우 구형의 형태를 가지는 특징이 있으며 이러한 특징 정보와 인접 슬라이드에서 과혈관성 종양의 특징을 가지는 영역들의 정보를 이용하여 추출하였다.
간 영역 추출은 조영증강 CT 영상에서 인체 내부 장기들로 구성된 내부 영역과 배경 및 피하지방층으로 구성된 외부 영역을 구분할 수 있는 늑골 정보를 이용하여 영역을 구분하였다. 구분된 영역 중에 간이 존재하는 내부 영역을 대상으로 각 장기들의 명암도와 형태학적 특징 정보를 이용하여 영역들을 분할하였다. 분할한 영역들은 인접한 슬라이드의 정보를 이용하여 간 후보 영역을 설정하고, 간 후보영역과의 포함 정도를 판별하여 영역 확장 과정을 거쳐 간 영역으로 추출하였다.
표 1에서의 각 장기들에 대한 정보는 간의 형태가 나타나는 시점의 정보이기 때문에 전체 CT 영상에 적용하기 어렵다. 따라서 간 영역을 추출하고자 하는 CT 영상에서 인접한 이전 CT 영상의 간 영역 추출 결과를 이용하여 각 슬라이드 마다 변화하는 간의 위치와 형태 정보를 반영한다. 현재 CT 영상의 대표 그룹 영역들이 이전 CT 영상의 간 영역 추출 결과에 포함되는 정도를 판별하여 간 후보 영역을 추출한 후, 영역 확장을 수행한다.
간의 위치와 형태 정보를 이용하여 간 영역을 주 객체로, 나머지를 기생 객체로 정의 하였을 때, 주 객체와 기생객체가 한 픽셀에 의해 연결된 경우는 Morphology기법 [10, 11]을 적용하여 영역 구분이 가능하지만 한 픽셀 이상으로 연결된 경우는 그림 6의 (f)에서와 같이 주 객체와 기생객체가 같은 영역으로 矣출된다. 따라서 본 논문에서는 Rough Edge[:.2]를 적용하여 주 객체에서 한 픽셀 이상 연결된 기생 객체를 제거한다.
CT 영상의 내부 영역은 간 영역 이외에 심장과 신장, 대정맥이 존재하는데 이들 영역은 간암과 유사한 명암도를 가지며 간 영역에 인접해 있기 때문에 간암으로 추출되는 오류가 발생한다. 따라서 본 논문에서는 심장과 신장, 대정맥 영역들을 양자화된 전체 CT 영상에서 각 장기들의 형태가 시작되는 위치 정보와 각 장기들의 명암도가 간 영역을 대표하는 그룹보다 높은 명암도를 가지는 특징을 이용하여 제거한다.
따라서 본 논문은 각 슬라이드 사이에 형태기반 보간법을 적용하여 촬영 간격에 의해 손실된 인체 내부 정보를 복원하여 3차원 정보로 과혈관성 종양을 분석한다.
떨어졌다. 본 논문에서는 이러한 단점을 보완하기 위해간 영역과 과혈관성 종양의 위치 및 형태 변화를 고려하였으며 촬영 시 생기는 CT 영상 사이의 공간을 형태기반 보간법을 적용하여 복원함으로서 3차원적인 정보로 과혈관성 종양을 좀 더 세밀하게 추출하였다. 제안된 방법의 결과를 전문의에게 검증 받은 결과, 간암 시술 및 시술계획 설계시간 영역과 과혈관성 종양의 상대적인 위치와 형태학적 정보를 제공할 수 있는 보조 전문가 시스템으로서 효율적임을 확인하였다.
본 논문에서의 간 영역 및 간 종양 추출 방법은 흉부 상위 부분부터 5mm 간격으로 연속적으로 촬영한 약 40 ~ 50 장의 조영증강 CT 영상에서 늑골의 정보를 바탕으로 장기들의 정보만으로 구성된 내부 영역과 늑골 및 피하지방층, 그리고 배경으로 구성된 외부 영역을 구분하고 양자화 기법과 명암도 및 간의 형태와 위치, 각 슬라이드 사이의 관계를 분석한 정보를 이용하여 내부 영역에서 간 영역을 추출한다. 간 종양은 추출된 간 영역에 형태 기반 보간법을 적용하여 CT 촬영 시 각 슬라이드 마다 생기는 5mm 간격 정보를 복원하고 간 영역 추출과 마찬가지로 명암도 및 간 종양의 형태와 위치, 각 슬라이드 사이의 관계 정보를 분석하여 추출한다.
구분된 영역 중에 간이 존재하는 내부 영역을 대상으로 각 장기들의 명암도와 형태학적 특징 정보를 이용하여 영역들을 분할하였다. 분할한 영역들은 인접한 슬라이드의 정보를 이용하여 간 후보 영역을 설정하고, 간 후보영역과의 포함 정도를 판별하여 영역 확장 과정을 거쳐 간 영역으로 추출하였다. 과혈관성 종양은 실질 간 영역보다 높은 명암도를 가지며 팽창형 성장을 보일 경우 구형의 형태를 가지는 특징이 있으며 이러한 특징 정보와 인접 슬라이드에서 과혈관성 종양의 특징을 가지는 영역들의 정보를 이용하여 추출하였다.
4 이상인 영역으로 설정한다. 설정한 대표 영역을 포함하는 슬라이드를 기준으로 이전 슬라이드와 다음 슬라이드를 조사해서 유사한 위치에 상위그룹의 양자화 색상을 가지는 영역이 존재하지 않으면 종양과 유사한 특징을 가지는 혈관이나 간문맥이므로 다음 슬라이드로 이동하여 대표 영역을 계속 탐색한다. 대표 영역이 설정되면 대표 영역이 존재하는 첫 슬라이드를 기준으로 이전 슬라이드에서 추출한 후보 영역 중 대표 영역에 포함되는 정도를 판별하여 과혈관성 종양으로 추출하고 간 영역이 시작되는 CT 영상 방향으로 슬라이드를 이동하면서 후보 영역이 존재 하지 않는 CT 영상까지 같은 방법을 적용한다.
현재 CT 영상의 대표 그룹 영역들이 이전 CT 영상의 간 영역 추출 결과에 포함되는 정도를 판별하여 간 후보 영역을 추출한 후, 영역 확장을 수행한다. 영역 확장은 객체화 한 하위 그룹 및 상위 그룹 영역들이 간 후보 영역에 포함되는 정도와 이전 슬라이드의 간 영역에 포함되는 정도를 분석하여 수행한다. 그림 6은 간 영역을 추출하는 과정이다.
있다[13]. 이러한 종양의 특징을 분석한 후, 추출한 간 영역에 형태 기반 보간법을 적용하여 CT 영상 사이의 공간에 대한 정보를 구성하고 과혈관성 종양을 탐색하여 추출한다.
전체 영상에서 늑골 영역을 추출한 후, 각 영상에서 내부영역을 추출하기 위해 현재 슬라이드를 기준으로 이전 2장과 다음 2장의 슬라이드에 대해 늑골 영역에 OR 연산을 수행하여 내부 영역과 외부 영역을 구분할 수 있는 틀을 형성한다. 영역 구분을 위해 형성한 틀에서 타원을 이루지 못하고 끊어지는 부분은 이전 슬라이드의 내부 영역을 이용하여 복원한다.
방법을 제안하였다. 제안된 방법은 단층 촬영한 조영증강 CT 영상에서 우선적으로 간 영역을 추출하였고 추출한 간 내부에서 과혈관성 종양의 특징을 분석하여 간 종양을 추출하였다. 간 영역 추출은 조영증강 CT 영상에서 인체 내부 장기들로 구성된 내부 영역과 배경 및 피하지방층으로 구성된 외부 영역을 구분할 수 있는 늑골 정보를 이용하여 영역을 구분하였다.
영역 구분을 위해 형성한 틀에서 타원을 이루지 못하고 끊어지는 부분은 이전 슬라이드의 내부 영역을 이용하여 복원한다. 제안된 복원 방법은 5장의 슬라이드에서 추출한 늑골 영역으로 이루어진 틀과 이전 슬라이드에서 추출한 내부 영역 사이의 공백을 수직 및 수평 방향 스미어링 기법을 적용하여 채우고 다시 늑골 정보만을 제거함으로서 현재 슬라이드에 대한 내부 영역을 추출한다. 그림 3은 제안된 내부 영역 추출 과정이다.
대상 데이터
그림 10에서의 조영증강 CT 영상은 총 46장으로 촬영되었으며 이 중 28장에서 간 영역이 추출되었다. 추출된 간 영상에 형태기반 보간법을 적용한 결과, 217장의 간 영상이 생성되었고 51장의 영상에서 과혈관성 종양이 발견되었다.
본 논문에서 사용한 CT 영상은 인체 내부를 5mm 간격으로 촬영한 것이며 320mm 크기를 512 pixel로 나타낸다. 따라서 5mm의 간격에 대한 정보를 복원하기 위해 총 8장의 슬라이드 정보가 필요하다.
본 논문에서 제안한 간 영역 및 간 종양 추출 및 분석 방법이 전문의를 보조할 수 있는 보조 전문가 시스템으로서 효율적임을 검증하기 위해 4 종류의 조영증강 CT 영상을 대상으로 실험하였다. 실험은 Intel Pentium-IV 2GHz 환경에서 VC++ 6.
추출된 간 영상에 형태기반 보간법을 적용한 결과, 217장의 간 영상이 생성되었고 51장의 영상에서 과혈관성 종양이 발견되었다. 제안된 간 영역 및 간 종양 추출 방법은 총 4종류의 조영증강 CT 영상을 대상으로 실험하였으며 표 2는 추출 결과이고 표 3은 추출 결과를 전문의가 분석하여 판독한 결과이다.
이론/모형
추출된 내부 영역에 유사한 명암도를 가지는 색상들을 그룹화하는 양자화 기법[9]을 적용하여 간 영역을 추출한다. 간 영역을 추출하는 과정은 다음과 같다.
성능/효과
기존의 방법은 세 종류의 조영증강 CT 영상에서는 과 혈관성 종양 영역이 추출되었지만 4번째 조영증강 CT 영상에서처럼 각 슬라이드에 나타난 과혈관성 종양 영역들의 위치와 형태 변화가 심한 경우에는 정확히 추출되지 않았다. 제안된 방법에서는 형태기반 보간법을 적용하여 이러한 점을 개선하였으며, 그림 11에서와 같이 과혈관성 종양의 범위 또한 더욱 세밀하게 추출한 것을 확인할 수 있었다.
본 논문에서는 이러한 단점을 보완하기 위해간 영역과 과혈관성 종양의 위치 및 형태 변화를 고려하였으며 촬영 시 생기는 CT 영상 사이의 공간을 형태기반 보간법을 적용하여 복원함으로서 3차원적인 정보로 과혈관성 종양을 좀 더 세밀하게 추출하였다. 제안된 방법의 결과를 전문의에게 검증 받은 결과, 간암 시술 및 시술계획 설계시간 영역과 과혈관성 종양의 상대적인 위치와 형태학적 정보를 제공할 수 있는 보조 전문가 시스템으로서 효율적임을 확인하였다.
이 중 28장에서 간 영역이 추출되었다. 추출된 간 영상에 형태기반 보간법을 적용한 결과, 217장의 간 영상이 생성되었고 51장의 영상에서 과혈관성 종양이 발견되었다. 제안된 간 영역 및 간 종양 추출 방법은 총 4종류의 조영증강 CT 영상을 대상으로 실험하였으며 표 2는 추출 결과이고 표 3은 추출 결과를 전문의가 분석하여 판독한 결과이다.
후속연구
향후 연구 방향은 간암의 재발을 막기 위해 간암이면서 간암의 전형적인 특징을 가지지 않는 영역을 추출할 수 있는 방법에 대해 연구하여 더욱 정밀한 보조 전문가 시스템을 개발할 것이다.
참고문헌 (15)
R. D. Henkei, 'Segmentation in Scale Space,' Proceedings of Computer Analysis of Images and Pattern, CAIP, Prague, 1995
David A. Forsyth, Jean Ponce, Computer Vision, Prentice Hall, 2003
Rangaraj M. Rangayyan, Biomedical Image Analysis, CRC Press, 2005
John L. Semmlow, Biosignal and Biomedical Image Processing, Marcel Dekker, Inc., 2004
L. Gao, D. Health, B. Kuszyk, E. Fishman, Automatic Liver Segmentation Technique for Three-dimensional Visualization of CT Data, Radiology, pp.359-364, 1996
임옥현, 김진철, 박성미, 이배호, '블럽 컬러링을 이용한 CT영상에서 간 영역 자동 추출,' 한국정보과학회 추계 학술발표 논문집(II), pp.760-762, 2004
김규태, 이성기, 'Co-occurrence Matrix를 이용한 CT 영상에서의 간 영역 추출,' 한국정보과학회 춘계학술발표논문집(B), pp.508-510, 2000
Robert M. Haralick and Linda G. Shapiro, 'Image Segmentation Techniques', Computer Vision, Graphics and Image Processing, Vol. 29, pp.100-132, 1985
Mialan Sonka, J. Michael Fitzpatrick, Medical Imaging: Medical Image Processing and Analysis, SPIE, 2000
K. B. Kim, Y. J. Kim, 'Recognition of English Calling Cards By Using Enhanced Fuzzy Radial Basis Function Neural Networks,' IEICE Transactions on Fundamentals of Electronics, Communications and Computer Science, Vol. E87-A, No.6, pp.1355-1362, 2004
김광백, 임은경, 김광하, '조기 위암의 내시경 영상 분석 시스템,' 퍼지 및 지능시스템학회 논문지, 15 권 4호, pp.473-478, 2005
※ AI-Helper는 부적절한 답변을 할 수 있습니다.